时间序列MR图像识别乳腺癌中新辅助化疗的完整反应,使用深度学习方法

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 病理完整反应 (pCR) 对于量身定制乳腺癌 (BC) 治疗后续行动至关重要.
• 用时间序列DCE-MRI用于BC pCR识别的VGG-LSTM网络的有效性仍然不确定.

研究的目的:

• 开发和评估深度学习 (DL) 模型,特别是VGG-LSTM,用于识别接受新辅助化疗 (NAC) 的BC患者的pCR.
• 评估整合DCE-MRI数据和临床特征的不同时间点的模型的性能.

主要方法:

• 一项回顾性研究,涉及235名患者 (A中心) 进行培训/验证,150名患者 (B中心) 进行测试.
• 开发七个基于VGG-LSTM的DL模型,使用时间序列DCE-MRI在预处理 (t0),早期NAC (t1) 和后NAC (t2) 时间点.
• 最佳模型是通过结合所有时间点的临床和成像特征来开发的.

主要成果:

• 综合模型,整合了所有时间点的临床和成像特征,展示了最高的性能.
• 组合模型在独立测试组中实现了0.927的曲线下面积 (AUC).
• 统计分析包括DeLong,t-test,曼-惠特尼U,奇平方,费舍尔精确,霍斯默-莱梅肖和ROC分析.

结论:

• 使用VGG-LSTM,时间序列DCE-MRI和临床特征的综合深度学习模型显示,在乳腺癌中准确的PCR识别具有显著的潜力.
• 这种方法提供了一种有前途的非侵入性方法,用于评估治疗反应,并指导BC的后续管理策略.